核心用法
Mission Control 是一个面向 AI 助手设计的看板式任务管理仪表盘。用户通过网页界面（GitHub Pages 托管）创建和编排任务，AI 助手在任务状态变更为「进行中」时自动接收并执行。系统采用 GitHub Webhook + 本地 Transform 的架构实现状态同步，支持子任务拆分、评论记录、EPIC 管理等完整工作流。
显著优点
- 人机协作友好：人类专注优先级规划，AI 专注执行落地，职责清晰分离
- 异步工作支持：任务可持久化存储，适合长时间运行或需要人工审核的复杂任务
- 状态机完整：内置 backlog → in_progress → review → done 的标准流程，支持返工循环
- 零代码运维：Agent 自动完成 Tailscale、GitHub CLI、Webhook 等基础设施配置
- CLI 工具链完善：mc-update.sh 提供状态变更、评论追加、子任务标记等一站式操作
潜在局限
- 基础设施依赖重：必须配置 Tailscale Funnel + GitHub Pages + gh CLI，上手门槛不低
- 实时性受限：GitHub Pages 缓存可能导致 1-2 分钟延迟，不适合毫秒级响应场景
- 单仓库架构：所有任务数据存储于单一 JSON 文件，大规模团队可能出现并发冲突
- 平台锁定倾向：深度集成 GitHub 生态，迁移至其他代码托管平台成本较高
适合人群
- 个人开发者或小型团队，需要追踪 AI 助手的长期任务进度
- 追求「人类审批、AI 执行」工作流的场景（如内容审核、代码审查辅助）
- 已使用 GitHub 作为主力代码托管，且熟悉 Tailscale 网络方案的技术用户
常规风险
- 命令注入：虽 mc-update.sh 声称有输入校验，但任务描述字段理论上可携带恶意指令
- Webhook 签名伪造：依赖 HMAC 验证，若 hookToken 泄露则攻击者可伪造任务触发
- 权限边界模糊：多用户场景下需严格配置 Clawdbot 的 groupPolicy，否则普通用户可通过任务描述诱导 AI 执行危险操作
- 数据泄露：默认 dashboard 仓库若为 Public，所有任务标题和描述公开可见
建议在正式使用前将仓库设为 Private，并配合 Clawdbot 的 agent sandbox 限制文件系统与网络访问权限。